[論文レビュー] Labels Are Not Perfect: Improving Probabilistic Object Detection via Label Uncertainty

Di Feng, Lars Rosenbaum+2 more|arXiv (Cornell University)|Aug 10, 2020

Advanced Neural Network Applications参考文献 20被引用数 4

ひとこと要約

この論文は、アノテーションの不確実性を、アノテーションの不確実性を用いて、確率的LiDARベースの物体検出を向上させる手法を提案する。この不確実性を学習に組み込むことで、ベースラインやヒューリスティック手法と比較してKITTIデータセットで最高で3.6%高い平均精度（Average Precision）を達成する。

ABSTRACT

Reliable uncertainty estimation is crucial for robust object detection in autonomous driving. However, previous works on probabilistic object detection either learn predictive probability for bounding box regression in an un-supervised manner, or use simple heuristics to do uncertainty regularization. This leads to unstable training or suboptimal detection performance. In this work, we leverage our previously proposed method for estimating uncertainty inherent in ground truth bounding box parameters (which we call label uncertainty) to improve the detection accuracy of a probabilistic LiDAR-based object detector. Experimental results on the KITTI dataset show that our method surpasses both the baseline model and the models based on simple heuristics by up to 3.6% in terms of Average Precision.

研究の動機と目的

• 不完全な真のラベルによる確率的物体検出の不安定さと最適でない性能を是正すること。
• 真のラベルの境界ボックスアノテーションに内在する不確実性をモデル化することで、物体検出における不確実性推定を向上させること。
• 不確実性に配慮した学習により、LiDARベースの検出器の検出精度を向上させること。
• ヒューリスティックな不確実性正則化や教師なし不確実性学習を越えること。

提案手法

• 本手法は、真のラベルの境界ボックスアノテーションにおけるばらつきからラベル不確実性を推定し、それを信頼できる不確実性事前分布として扱う。
• このラベル不確実性を確率的物体検出器の学習目的に統合し、最適化中に正則化子として用いる。
• 予測不確実性とラベル不確実性の両方を考慮した微分可能損失関数を用いる。
• LiDAR点群とアノテートされた境界ボックスを用いて、KITTIデータセット上でエンドツーエンドにモデルを学習する。
• 同じ物体の複数アノテーションからラベル不確実性を計算し、人間による境界ボックスアノテーションの自然なばらつきを捉える。
• モデルが現実世界のアノテーションばらつきと整合するより頑健な不確実性推定を学習できるようにすることで、検出性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 ラベル不確実性をモデル化することで、自動運転における確率的物体検出の信頼性と精度が向上するか？
• RQ2 真のラベル不確実性を組み込むことで、ヒューリスティックや教師なし不確実性正則化と比較して、検出性能にどのような差が出るか？
• RQ3 ラベル不確実性は、確率的検出器の学習の不安定性をどの程度軽減するか？
• RQ4 ラベル不確実性は、LiDARベースの物体検出における不確実性推定のための意味のある事前分布として機能するか？

主な発見

• 提案手法は、KITTIデータセットにおいてベースラインモデルと比較して最高で3.6%高い平均精度（Average Precision）を達成した。
• 単純なヒューリスティックによる不確実性正則化を用いる手法よりも優れた検出精度を示した。
• ラベル不確実性を組み込むことで、教師なし不確実性学習手法と比較してより安定した学習が実現した。
• モデルの予測が人間によるアノテーションの自然なばらつきと一致するようにすることで、より良い不確実性キャリブレーションを達成した。
• 複数の検出指標にわたり一貫した性能向上が得られたため、性能向上が堅牢であることが示された。
• 結果から、ラベル不確実性は、現実世界のシナリオにおける確率的物体検出の向上に価値ある信号であることが検証された。